Minacce Informatiche e Perdite Economiche Globali

L'analisi si focalizza su dati riguardanti minacce informatiche globali e le perdite economiche stimate ad esse associate, nel periodo compreso tra il 2015 e il 2024.
L’obiettivo è fornire una panoramica dell’impatto economico della criminalità informatica.

Struttura del dataset Global_Cybersecurity_Threats_2015-2024

Il file CSV è organizzato con una riga per ogni osservazione (evento o aggregazione annuale), e presenta le seguenti colonne principali:

• country: nome del paese a cui è attribuito l’impatto dell’attacco informatico.
• year: anno dell’evento registrato (dal 2015 al 2024).
• threat_type: tipologia di minaccia informatica coinvolta (es. Malware, Ransomware, Phishing, Data Breach, ecc.).
• sector_affected: settore economico colpito (es. Finance, Healthcare, Government, ecc.).
• financial_loss_(in_million_$): stima economica della perdita subita a causa della minaccia, espressa in milioni di dollari statunitensi (USD).
• incident_count (se presente): numero totale di incidenti segnalati per quella combinazione di anno/paese/tipo di attacco.

import plotly.express as px          
import pandas as pd                 
import plotly.graph_objects as go
df = pd.read_csv("Global_Cybersecurity_Threats_2015-2024.csv")

import plotly.io as pio
pio.renderers.default = "notebook"

Evoluzione degli Attacchi per Settore Economico

Questo grafico a barre impilate mostra l’andamento temporale degli attacchi informatici, suddivisi per settore economico colpito. Ogni barra rappresenta un anno, mentre i segmenti colorati al suo interno indicano il numero di attacchi registrati per ciascun settore (ordinati in base al numero di attacchi).

# raggruppamento dei dati per anno e settore
grouped = df.groupby(['Year', 'Target Industry']).size().reset_index(name='Attacchi')

# pivot (anno x settore)
pivot = grouped.pivot(index='Year', columns='Target Industry', values='Attacchi').fillna(0)

# Colori
color_palette = px.colors.qualitative.Plotly
industries = pivot.columns.tolist()
color_map = {ind: color_palette[i % len(color_palette)] for i, ind in enumerate(industries)}
fig = go.Figure()
legend_shown = set()
for year in pivot.index:
    values = pivot.loc[year]
    sorted_sectors = values.sort_values().index.tolist()
    cumulative_base = 0
    for sector in sorted_sectors:
        val = values[sector]
        if val == 0:
            continue
        fig.add_trace(go.Bar(
            x=[year],
            y=[val],
            base=[cumulative_base],
            name=sector,
            marker_color=color_map[sector],
            showlegend=sector not in legend_shown,
            text=[val],
            textposition='inside',
            textfont=dict(
                family='Segoe UI',
                size=24,  
                color='white'
            )
        ))
        legend_shown.add(sector)
        cumulative_base += val
# stile 
fig.update_layout(
    barmode='stack',
    template='plotly_dark',
    width=1780,   # larghezza figura (in pixel)
    height=550,   # altezza figura (in pixel)
    plot_bgcolor='#050b18',
    paper_bgcolor='#050b18',
    font=dict(
        family='Segoe UI',
        size=28,
        color='white'
    ),
    xaxis=dict(
        title=dict(text='Anno', font=dict(family='Segoe UI', size=32, color='white')),
        tickfont=dict(family='Segoe UI', size=28, color='white')
    ),
    yaxis=dict(
        title=dict(text='Numero di attacchi', font=dict(family='Segoe UI', size=32, color='white')),
        tickfont=dict(family='Segoe UI', size=28, color='white')
    ),
    legend=dict(
        font=dict(family='Segoe UI', size=18, color='white'),
        traceorder='normal'
    ),
)
fig.show()

Distribuzione degli Attacchi per Settore e Tipologia

Questo grafico mostra come si distribuiscono i diversi tipi di attacchi informatici all’interno di ciascun settore economico. Ogni subplot rappresenta un settore bersaglio. All’interno di ogni riquadro, le barre indicano quanti attacchi sono stati registrati per ciascuna tipologia (es. Ransomware, Data Breach, Phishing, ecc.).

import plotly.express as px
# rimozione del settore "Telecommunications"
df = df[df['Target Industry'] != 'Telecommunications']
# raggruppamento per settore e attacco
grouped = (
    df.groupby(['Target Industry', 'Attack Type'])
    .size()
    .reset_index(name='Count')
)
# grafico a barre
fig = px.bar(
    grouped,
    x="Attack Type",
    y="Count",
    color="Attack Type",
    facet_col="Target Industry",
    facet_col_wrap=3,
    facet_col_spacing=0.07,
    facet_row_spacing=0.17,
    title="",
    template="plotly_dark"
)
fig.update_layout(
    paper_bgcolor='#050b18',
    plot_bgcolor='#050b18',
    height=1000,
    width=1800,
    font=dict(family='Segoe UI', color='white', size=22),
    legend=dict(
        font=dict(family='Segoe UI', size=20, color='white')
    )
)

# aggiornamento dei titoli dei facet 
fig.for_each_annotation(lambda a: a.update(
    text=a.text.split("=")[-1],
    font=dict(family='Segoe UI', size=22, color='white')
))
# rimpzione titoli e tick delle assi X e Y
fig.update_xaxes(
    showticklabels=False,
    title=None
)
fig.update_yaxes(
    showticklabels=True,  
    title=None
)
fig.show()

Tipo di Attacco Dominante per Anno

Questo grafico mette in evidenza, per ciascun anno tra il 2015 e il 2024, la tipologia di attacco informatico che ha registrato il maggior numero di incidenti a livello globale. Ogni barra rappresenta un anno, e mostra:

• Il numero totale di incidenti legati al tipo di attacco più frequente in quell'anno.
• Il nome dell’attacco dominante visualizzato come etichetta sopra ogni barra.

# estrazione top Attack Type per ogni anno
top_attack_per_year = (
    df.groupby(["Year", "Attack Type"])
      .size()
      .reset_index(name="Incident Count")
      .sort_values(["Year", "Incident Count"], ascending=[True, False])
      .drop_duplicates(subset="Year", keep="first")
      .sort_values("Year")
)
# colori in base ai tipi di attacco
attack_types = top_attack_per_year["Attack Type"].unique().tolist()
custom_colors = {
    attack_types[i]: px.colors.qualitative.Plotly[i % len(px.colors.qualitative.Plotly)]
    for i in range(len(attack_types))
}
#grafico a barre

fig = px.bar(
    top_attack_per_year,
    x="Year",
    y="Incident Count",
    color="Attack Type",
    text="Attack Type",
    color_discrete_map=custom_colors  # qui usiamo i colori personalizzati
)
fig.update_traces(
    textposition='outside',
    textfont=dict(size=28, family='Segoe UI', color='white')
)
fig.update_layout(
    width=1780,    
    height=550,   
    paper_bgcolor='#050b18',
    plot_bgcolor='#050b18',
    font=dict(family='Segoe UI', color='white', size=30),

    xaxis=dict(
        title=None,
        showticklabels=True,  # mostra tutti gli anni
        tickmode='array',
        tickvals=top_attack_per_year["Year"],
        ticktext=top_attack_per_year["Year"].astype(str)
    ),
    yaxis=dict(
        title=dict(text='Numero di incidenti', font=dict(family='Segoe UI', size=32, color='white')),
        tickfont=dict(family='Segoe UI', size=28, color='white'),
        showgrid=True, gridcolor='rgba(255,255,255,0.15)', gridwidth=1, zeroline=False
    ),
    legend=dict(title='', font=dict(family='Segoe UI', size=26, color='white')),
    title=None
)
fig.update_traces(
    textposition='outside',
    textfont=dict(size=28, family='Segoe UI', color='white'),
    cliponaxis=False
)
fig.show()